链路预测代码python

链路预测是指利用网络结构和节点属性等信息，预测网络中尚未出现的边（链接）是否存在的问题。以下是一个简单的链路预测代码示例：

import networkx as nx
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
from sklearn.linear_model import LogisticRegression

# 生成一个随机图
G = nx.gnp_random_graph(100, 0.1)

# 构建特征向量
feature_vectors = np.random.rand(len(G), 10)

# 构建训练和测试数据集
edges = list(G.edges())
non_edges = list(nx.non_edges(G))

# 随机打乱正负样本
np.random.shuffle(edges)
np.random.shuffle(non_edges)

# 划分训练和测试集
train_edges, test_edges, train_labels, test_labels = train_test_split(
    edges + non_edges[:len(edges)], 
    [1] * len(edges) + [0] * len(edges), 
    test_size=0.2
)

# 构建训练集特征向量
train_features = []
for edge in train_edges:
    train_features.append(np.concatenate([feature_vectors[edge[0]], feature_vectors[edge[1]]]))

# 训练逻辑回归模型
lr = LogisticRegression()
lr.fit(train_features, train_labels)

# 测试集特征向量
test_features = []
for edge in test_edges:
    test_features.append(np.concatenate([feature_vectors[edge[0]], feature_vectors[edge[1]]]))

# 预测测试集结果
test_pred = lr.predict_proba(test_features)[:, 1]

# 计算AUC
auc = roc_auc_score(test_labels, test_pred)
print('AUC:', auc)

这个简单的示例中，我们使用随机图生成器`gnp_random_graph`生成一个包含100个节点的随机图。然后我们生成10个随机特征向量，将其与节点一一对应。接下来，我们将图中的边和不存在的边随机打乱，并将其划分为训练集和测试集。我们将每个边的两个节点的特征向量拼接在一起，作为该边的特征向量，用逻辑回归模型进行训练和预测，并计算AUC作为模型性能的评价指标。